Consensus：AI如何达成共识？
Consensus（共识）指在分布式或多智能体系统中，所有参与者就某个数据、状态或决策达成一致的过程。它是区块链、分布式数据库和协作AI系统的基石，确保系统在存在故障或网络延迟时仍能可靠运行。
一句话解释
Consensus（共识）是指在分布式系统或多个独立智能体中，通过特定算法使所有节点对某个数据值或决策达成一致的过程，是系统可靠性与一致性的核心保障。
为什么会被关注
随着区块链和去中心化AI的兴起，共识机制成为确保数据不可篡改、系统可信运行的关键。在AI领域，联邦学习中多个参与方需对模型更新达成共识，多智能体系统也需要协调决策，这些都依赖高效的共识算法来防止恶意节点破坏或数据不一致。
核心逻辑
共识的核心是在存在网络延迟、节点故障甚至恶意行为（拜占庭错误）的情况下，仍使多数诚实节点达成一致。常见算法如Paxos、Raft追求非恶意环境下的效率，而PBFT（实用拜占庭容错）和区块链的工作量证明（PoW）、权益证明（PoS）则能容忍一定比例的恶意节点，通过经济激励或密码学保证安全性。
常见场景
1. 区块链网络：比特币通过PoW让节点对交易顺序达成共识，确保账本一致。
2. 分布式数据库：如Google Spanner使用Paxos协议同步数据副本，保证跨区域数据一致性。
3. 多智能体协作：自动驾驶车队需共识决定变道顺序；科研AI智能体需共识验证实验结论的可复现性。
4. 联邦学习：各医院本地训练模型后，需共识机制安全聚合更新，避免单一恶意数据污染全局模型。
容易混淆的点
共识≠投票：投票只是达成共识的一种手段，而共识算法包含更复杂的通信协议和容错逻辑。
共识≠一致性：一致性是系统呈现的状态特性（如所有节点读到相同数据），而共识是达成该状态的过程。强一致性通常需要共识，但最终一致性系统可能无需实时共识。
AI共识 vs 传统共识：AI多智能体共识更关注语义理解与任务协调，而传统分布式共识更强调数据副本的精确一致，两者目标与约束常不同。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词智能体是能够感知环境、自主决策并执行任务的人工智能系统。它正从简单助手演变为具备规划和学习能力的自主实体，是迈向通用人工智能的关键路径。
联邦学习是一种新兴的分布式机器学习框架，其核心思想是在不交换原始数据的情况下，通过交换加密的模型参数或梯度更新，实现多个参与方协同训练一个共享的机器学习模型。它旨在解决数据孤岛与隐私保护之间的矛盾，是隐私计算领域的关键技术之一。